A IA da empresa não precisa apenas de dados, precisa de memória organizacional
Guardar informação é apenas metade do problema. A outra metade é recuperar a informação certa, no momento certo e para a pessoa certa.
Durante anos, as empresas investiram para organizar documentos e dados. Agora começam a enfrentar uma camada diferente: preservar contexto, decisões e aprendizados para que pessoas e agentes consigam continuar o trabalho uns dos outros.
Assistentes que compartilham contexto podem transformar conversas dispersas em conhecimento útil, mas exigem engenharia de prompt, segurança e governança
Há alguns dias, comecei uma conversa com uma das minhas instâncias de IA sobre um projeto que eu havia discutido em outro computador. Eu não copiei o histórico, não procurei a conversa anterior e não reexpliquei todo o contexto. Fiz a pergunta e o assistente recuperou o que precisava para continuar.
A sensação é de que a IA se lembrou. Tecnicamente, não foi bem isso que aconteceu.
Modelos de linguagem não guardam automaticamente nossas conversas dentro de seus parâmetros. A cada solicitação, o modelo recebe um contexto com instruções, a mensagem atual e, quando a aplicação oferece memória, informações recuperadas de algum armazenamento externo. O modelo responde com base no material que coube nessa janela naquele momento.
A memória, portanto, costuma acontecer fora do LLM.
Uma implementação comum transforma conversas, preferências, decisões e documentos em representações matemáticas chamadas embeddings. Quando o usuário faz uma nova pergunta, o sistema também transforma essa pergunta em um vetor e procura conteúdos semanticamente próximos. Os resultados mais relevantes são inseridos no contexto antes de a solicitação chegar ao modelo.
O fluxo simplificado é este:
- O usuário envia uma pergunta;
- O sistema procura memórias relacionadas;
- Seleciona e organiza os trechos mais relevantes;
- Acrescenta esses trechos ao prompt;
- O LLM produz a resposta como se já conhecesse aquele contexto.
É um truque de engenharia muito eficiente. Também explica por que a memória pode falhar. A informação pode existir e não ser recuperada. Pode ser recuperada fora de hora. Pode estar desatualizada. Pode pertencer a outro usuário (se a arquitetura permitir, claro). Pode até ter sido contaminada por conteúdo malicioso.
Guardar informação é apenas metade do problema. A outra metade é recuperar a informação certa, no momento certo e para a pessoa certa.
Memória não é a mesma coisa que base de conhecimento
Essa distinção costuma se perder nas discussões sobre IA empresarial.
Uma base de conhecimento contém materiais relativamente estáveis, como manuais, políticas, contratos, documentação técnica, apresentações e perguntas frequentes. Ela responde ao que a organização sabe formalmente.
A memória registra aquilo que surge durante o trabalho. Preferências, decisões, aprendizados, histórico de relacionamento, erros já encontrados e informações que ajudam a manter continuidade entre conversas. Ela responde ao que a organização aprendeu durante as interações.
Há ainda uma terceira categoria, as instruções reutilizáveis. Um procedimento de análise comercial, uma rotina de revisão de código ou um checklist de publicação não são apenas conhecimento nem lembrança. São formas de executar uma tarefa. Em muitos sistemas de agentes, esses procedimentos recebem o nome de skills.
Essa separação fica clara quando se usa ferramentas de gerenciamento de memória, como o OpenViking, uma base de contexto de código aberto que organiza memórias, recursos e skills como um sistema de arquivos virtual. Cada item recebe um endereço `viking://`, pode ser localizado por caminho e também encontrado por busca semântica. E a própria IA, com instruções apropriadas, armazena as memórias relevantes durante uma conversa para buscas futuras.
Em vez de jogar tudo em um banco vetorial plano, o OpenViking organiza o contexto hierarquicamente. Primeiro identifica diretórios com maior relação com a consulta, depois explora seu conteúdo, refina os candidatos e reordena os resultados. Ele também mantém rastros da recuperação, o que ajuda a entender por que determinada informação apareceu ou não apareceu.
O conteúdo é preparado em níveis. Um resumo curto pode ser carregado primeiro. Se houver relevância, o sistema avança para uma visão mais ampla e, finalmente, para o documento completo. Isso reduz tokens e evita colocar no prompt dezenas de páginas quando algumas linhas seriam suficientes.
Ao encerrar uma sessão, o OpenViking também pode analisar as conversas, extrair memórias e armazená-las para uso posterior. Documentos entram como recursos. Procedimentos entram como skills. Preferências, fatos e experiências entram como memórias. Essa classificação ajuda a evitar um erro frequente, transformar a memória da IA em um depósito de tudo o que já passou pela tela.
Diferentes formas de fazer uma IA lembrar
O OpenViking não é a única abordagem.
O Honcho, por exemplo, analisa as conversas e constrói progressivamente uma representação do usuário, incluindo preferências, objetivos, padrões e estilo de comunicação. O Mem0 extrai fatos das mensagens, acrescenta metadados e embeddings e permite que a aplicação escolha quais memórias devem entrar no prompt. O Zep usa um grafo temporal para representar entidades, relações e mudanças ao longo do tempo. Isso é útil quando não basta saber que uma informação existe, mas também quando ela passou a valer, deixou de valer ou entrou em conflito com outra.
Não existe uma arquitetura universalmente superior. Para um assistente pessoal, compreender hábitos e preferências pode ser mais importante. Para vendas, relações entre clientes, pessoas, propostas e datas podem justificar um grafo. Para agentes técnicos, separar documentos, memórias e procedimentos pode ser decisivo.
A escolha deve começar pelo uso e pelo risco, não pela lista de funcionalidades.
Minha experiência com uma memória compartilhada
Hoje uso três instâncias independentes do Hermes. Uma fica em uma VPS, outra no computador de casa e a terceira no ambiente de trabalho. Elas executam tarefas diferentes, mas usam o mesmo OpenViking como memória coletiva.
Isso me permite alternar entre ambientes sem começar sempre do zero. Um contexto que decidi preservar sobre um projeto particular, uma aula ou uma rotina familiar pode ser recuperado por outra instância. Relatórios produzidos por um agente podem ser gravados como recursos e consumidos posteriormente por outro. Uma solução descoberta em uma máquina pode virar uma skill reutilizável nas demais.
O ganho mais perceptível, até agora, não está em uma resposta espetacular. Está na redução da repetição. Eu consigo retomar uma investigação, comparar experiências realizadas em ambientes diferentes e acumular aprendizados sem depender de uma única conversa gigantesca.
Mas é preciso aprender a não chamar tudo de memória.
Decisões e preferências duráveis podem ser memórias. Relatórios, planos de aula e documentação de projetos funcionam melhor como recursos. Procedimentos que devem ser repetidos com consistência viram skills. Informações temporárias, sensíveis ou sem utilidade futura não deveriam ser preservadas.
Esse critério é mais importante do que a ferramenta.
Da experiência pessoal para a memória da empresa
No ambiente corporativo, a oportunidade é maior e o risco também.
Na T2S usamos o Relpz como plataforma de agentes de IA. Nele, configuramos assistentes personalizados com instruções, modelos e bases de conhecimento próprias. A estrutura organizacional hierárquica permite definir o contexto e o acesso conforme a empresa, a área, o assistente e o usuário.
Além da base documental, podemos configurar memória coletiva para assistentes e para a organização. Uma informação relevante obtida em uma conversa pode, respeitando as permissões definidas, ajudar outro usuário posteriormente.
Pense em uma equipe comercial. Uma pessoa registra detalhes de uma reunião, outra precisa preparar uma proposta dias depois e uma terceira recebe uma pergunta do cliente. Em vez de procurar mensagens em vários canais ou depender de quem participou da primeira conversa, elas podem perguntar ao assistente:
> O que já sabemos sobre este cliente, quais necessidades ele apresentou e quais compromissos assumimos na última proposta?
O mesmo vale para projetos, suporte, atendimento, processos internos e integração de novos colaboradores. A IA deixa de ser somente uma interface para documentos e passa a oferecer continuidade ao trabalho coletivo.
Esse uso exige sigilo. No Relpz, selecionamos apenas provedores com política de Zero Data Retention, ou ZDR, para que o conteúdo enviado ao modelo não seja retido pelo provedor para treinamento ou uso posterior. O produto também oferece assistentes personalizados, bases próprias e integração de dados por APIs e arquivos.
A memória também depende de engenharia de prompt
Ter memória não garante que a IA encontrará o que você espera.
A busca semântica trabalha com significado e pistas presentes na pergunta. Uma solicitação vaga como:
> O que decidimos sobre aquilo?
Não vai fornecer elementos suficientes para localizar a conversa correta. Uma formulação melhor seria:
> Recupere as decisões que tomamos sobre a proposta desta semana do cliente XYZ, especialmente prazo, integração com o ERP e restrições de acesso discutidas na reunião de julho.
A segunda pergunta contém entidades, assunto, período e tipo de informação. Ela cria mais pontos de contato com a memória armazenada.
Outro exemplo, em vez de perguntar:
> Qual era aquela ideia para minha aula?
é melhor escrever:
> Procure nas memórias sobre minhas aulas de engenharia de software a atividade em que os alunos comparariam agentes de programação usando o mesmo requisito.
Para um projeto pessoal:
> Recupere os testes anteriores do projeto de automação residencial, principalmente as decisões sobre segurança, execução local e dispositivos que não deveriam acessar a nuvem.
Em uma equipe comercial:
> Antes de responder, consulte a memória coletiva e a base de conhecimento sobre o cliente X. Separe fatos confirmados, decisões internas, compromissos comerciais e informações que podem estar desatualizadas.
Esses comandos não tornam o modelo mais inteligente. Tornam a recuperação mais precisa. É engenharia de contexto.
Também vale pedir explicitamente a origem e a data da informação, solicitar que o assistente diferencie memória de documento oficial e mandar sinalizar conflitos. Quando a decisão for importante, a memória deve apontar para a evidência, não substituí-la.
Memória organizacional precisa de governança
Uma memória compartilhada pode reduzir retrabalho, preservar conhecimento e melhorar a continuidade entre pessoas e agentes. Também pode espalhar um erro com uma eficiência impressionante.
Por isso, a implantação precisa responder a perguntas pouco glamourosas. Quem pode gravar? Quem pode consultar? O que deve expirar? Como corrigir uma lembrança errada? Como rastrear sua origem? Informações de clientes diferentes ficam isoladas? O que acontece quando um funcionário deixa a empresa? Uma conclusão gerada pela IA tem o mesmo peso de um documento aprovado?
A empresa também precisa distinguir memória pessoal, memória de equipe e memória organizacional. Nem toda informação deve atravessar essas fronteiras. O compartilhamento precisa ser intencional, auditável e compatível com as regras de acesso já existentes.
No meu primeiro artigo desta coluna, defendi a necessidade de governança e orquestração para que agentes não se transformem em uma nova forma de shadow IT. A memória amplia esse problema. Um agente sem memória pode errar uma vez. Um agente com memória ruim pode repetir o erro, ensiná-lo a outros assistentes e ainda apresentá-lo como experiência acumulada.
O valor não está em fazer a IA guardar tudo. Está em construir uma memória seletiva, verificável e útil.
Durante anos, as empresas investiram para organizar documentos e dados. Agora começam a enfrentar uma camada diferente: preservar contexto, decisões e aprendizados para que pessoas e agentes consigam continuar o trabalho uns dos outros.
Quando essa memória é bem projetada, a IA deixa de ser uma visitante que precisa receber as mesmas explicações todos os dias. Ela passa a participar da continuidade da organização.
E continuidade, em qualquer empresa, é uma forma concreta de inteligência.
Ricardo Pupo Larguesa. Fundador da T2S, professor de Programação e Machine Learning da Faculdade de Tecnologia do Estado de São Paulo (Fatec) e autor do livro Engenharia de Prompt para Devs: Um guia para aprender a usar a IA antes que a IA aprenda a usar você.
